CN116269259A - 一种基于改进bp神经网络的人体呼吸心跳检测方法 - Google Patents

一种基于改进bp神经网络的人体呼吸心跳检测方法 Download PDF

Info

Publication number
CN116269259A
CN116269259A CN202310173646.9A CN202310173646A CN116269259A CN 116269259 A CN116269259 A CN 116269259A CN 202310173646 A CN202310173646 A CN 202310173646A CN 116269259 A CN116269259 A CN 116269259A
Authority
CN
China
Prior art keywords
neural network
signal
heartbeat
representing
radar
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310173646.9A
Other languages
English (en)
Inventor
杨路
宋枚阳
余翔
冯春桃
周文豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202310173646.9A priority Critical patent/CN116269259A/zh
Publication of CN116269259A publication Critical patent/CN116269259A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02444—Details of sensor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Cardiology (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Computational Linguistics (AREA)
  • General Physics & Mathematics (AREA)
  • Pulmonology (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Fuzzy Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Genetics & Genomics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明涉及雷达信号处理领域，具体涉及一种基于改进BP神经网络的人体呼吸心跳检测方法，首先对雷达采集的原始生命信号进行小波去噪处理，再运用改进的自适应完全集成经验模态分解算法(ICEEMDAN)分解处理后的雷达原始胸腔信号，得到若干个具有不同空间尺度的模态函数(IMF)，然后通过免疫遗传算法(GA)改进的BP神经网络对IMF分量进行预测并优化；本发明具有良好的噪声鲁棒性，能有效分离噪声并准确提取呼吸和心跳信号，提高体征信号的重构精度和信噪比。

Description

一种基于改进BP神经网络的人体呼吸心跳检测方法
技术领域
本发明涉及雷达信号处理领域，具体涉及一种基于改进BP神经网络的人体呼吸心跳检测方法。
背景技术
生命体征可以指征病人的病情轻重和危急程度，对人体的生命体征进行实时检测在智能家居和智能医疗等领域意义重大。目前已有的接触式检测生命体征的设备体积大、成本高、操作复杂，而非接触式雷达检测方法除了用户友好的优点外，还为光学成像受阻的情况，例如光线不足的睡眠环境和地震灾害造成的荒地下狭窄的空间，提供了一种有效的方法。在目前主要的非接触式雷达检测技术中，超宽带脉冲雷达(ultra-wide band，UWB)的距离分辨率和探测能力较为出众，但因其结构复杂导致成本较高。连续波雷达(continuouswave，CW)无法测量距离，易受周围运动目标回波干扰。与上述雷达检测方法相比，高分辨率、高精度的调频连续波雷达(frequency modulated continuous wave，FMCW)结合了连续波和超宽带雷达的优点，具备功率低、灵敏度高、穿透性强的特点，可精确测量目标与杂波特性，还可以提供目标的距离、速度和角度等信息。
通过雷达得到的生命信号不仅包括体征信号同时还包括各种杂波干扰，且呼吸共振会干扰心脏的频率分量，所以心肺信号的提取和分离面临着不小的挑战。文献《基于EMD和BP神经网络的雷达体征信号检测算法》提出的经验模态分解算法(empirical modedecomposition，EMD)和BP神经网络的生命体征信号检测方案可以提取呼吸和心跳信号，但由于EMD的分解结果存在模态混叠和端点效应，且BP神经网络容易陷入局部最小等自身局限导致最终优化重构信号的准确度不够理想。文献《A study of the characteristics ofwhite noise using the empirical mode decomposition method》采用集合经验模态分解(ensemble empirical mode decomposition，EEMD)算法，虽然能有效抑制模态混叠，但存在噪声残留问题。文献《A complete ensemble empirical mode decomposition withadaptive noise》提出自适应噪声的完备集合经验模态分解(complete ensembleempirical mode decomposition with adaptive noise，CEEMDAN)算法有效解决了EEMD的噪声残留问题，且克服了CEEMD的重构误差，但在信号分解早期存在虚假分量问题。
发明内容
为解决上述问题，本发明提供了一种基于改进BP神经网络的人体呼吸心跳检测方法，该方法采用ICEEMDAN算法有效抑制模态混叠，分解信号更彻底，效率更高，且通过遗传算法(Genetic Algorithm，GA)改进的BP神经网络克服局部最小，搜索全局最优解。
一种基于改进BP神经网络的人体呼吸心跳检测方法，包括以下步骤：
S1.FMCW雷达通过天线发射电磁波信号并接收被测人体胸腔表面反射的回波信号，电磁波信号与回波信号通过正交型I/Q信道执行混频；
S2.通过低通滤波器获取混频结果中的中频信号并进行AD采样得到雷达原始数据，对雷达原始数据进行距离傅里叶变换得到距离幅度谱；
S3.根据距离幅度谱确认被测人体位置，提取被测人体位置所对应幅度的相位并进行相位解卷绕；
S4.将相位解卷绕结果进行相位差分得到雷达原始胸腔信号，并对雷达原始胸腔信号进行小波去噪处理；
S5.采用ICEEMDAN对小波去噪处理后的雷达原始胸腔信号进行分解得到IMF分量；
S6.通过GA-BP网络优化IMF分量得到高精度呼吸信号和高精度心跳信号。
进一步的，步骤S4对雷达原始胸腔信号进行小波去噪处理的过程包括：
S41.使用双曲正切函数对雷达原始胸腔信号进行小波分解，得到多个不同尺度和频率的小波系数；
S42.计算每个小波系数的局部方差，并通过分析所有小波系数的局部方差确定去噪阈值；
S43.对每个小波系数进行判断，若该小波系数的绝对值小于去噪阈值，则将其置为0，否则保持不变；
S44.对每一个完成判断的小波系数进行快速小波变换。
进一步的，步骤S5采用ICEEMDAN算法对小波去噪处理后的雷达原始胸腔信号进行分解得到IMF分量的过程包括：
S51.在雷达原始胸腔信号中添加经过EMD分解的高斯白噪声，对第一次添加结果求取局部平均和集总平均分别作为第一阶段残差信号和第一阶模态；
S52.在第一阶段残差信号中添加经过EMD分解的高斯白噪声，对第二次添加结果求取局部平均作为第二阶段残差信号，基于第一阶段残差信号和第二阶段残差信号计算第二阶模态；
S53.在第k≥2阶段残差信号中添加经过EMD分解的高斯白噪声，对第k+1次添加结果求取局部平均作为第k+1阶段残差信号，基于第k阶段残差信号和第k+1阶段残差信号计算第k+1阶模态；
S54.若第k阶段残差信号单调或不能再分解，则输出多个IMF分量，否则返回步骤S53。
进一步的，对第k+1次添加结果求取局部平均的公式为：
rk+1(t)＝<M(rk(t)+βkE(W(i)(t)))>
基于第k阶段残差信号和第k+1阶段残差信号计算第k+1阶模态的公式为：
IMFk+1＝rk(t)-rk+1(t)
其中，rk+1(t)表示第k+1阶段残差信号，βk表示第k次添加的高斯白噪声的振幅系数，W(i)(t)表示高斯白噪声，M(·)表示局部平均运算，E(·)表示EMD分解，<·>表示集总平均运算，IMFk+1表示第k+1阶模态。
进一步的，针对呼吸信号和心跳信号构建并训练对应的GA-BP网络，在步骤S5中根据频谱信息划分IMF分量得到呼吸IMF分量和心跳IMF分量，将呼吸IMF分量和心跳IMF分量通过对应的GA-BP网络进行处理；所述GA-BP网络均是在BP神经网络的基础上引入GA算法优化后构建的。
进一步的，所述GA-BP网络的训练过程包括：
S61.搭建BP神经网络，初始化BP神经网络的所有权值和阈值；
S62.对BP神经网络初始化后的所有权值和阈值进编码，并生成初始种群；
S63.输入IMF训练数据到BP神经网络，将BP神经网络的输出误差函数作为适应性函数，通过适应性函数计算个体的适应度；
S64.基于适应度选取个体进行交叉变异得到新个体并计算其对应的适应度，筛选每一代的最大适应度；
S65.若最大适应度没有显著变化或达到种群最大进化代数，则执行步骤S66，否则返回步骤S63；
S66.对最优个体进行解码得到最优初始权值和最优初始阈值，并将其分配给BP神经网络得到初代BP神经网络；
S67.将IMF训练数据输入初代BP神经网络计算输出偏差，并根据梯度下降算法更新初代BP神经网络的权值和阈值；
S68.若输出偏差达到预设精度或训练次数达到预设次数，则结束训练得到IGA-BP网络，否则返回步骤S67。
进一步的，步骤S63的输出误差包括输出层误差E1、隐含层误差E2和输入层误差E3，其各自的表达式为：
Figure BDA0004100082040000041
Figure BDA0004100082040000042
Figure BDA0004100082040000043
其中，dk表示第k个输出层神经元的期望值，Ok表示第k个输出层神经元的输出值，wjk表示第j个隐含层神经元与第k个输出层神经元间的权重，yj表示第j个隐含层神经元的输入信号，vij表示第i个输入层神经元与第j个隐含层神经元间的权重，xi表示第i个输入层神经元接收的原始信号，l表示输出层的神经元个数，m表示隐含层的神经元个数，n表示输入层的神经元个数，f()表示激励函数。
本发明的有益效果：
针对调频连续波雷达(FMCW)提取人的生命体征信号易受噪声干扰且重构精度较低的问题，本发明提出一种基于改进BP神经网络的人体呼吸心跳检测方法。首先运用改进的自适应完全集成经验模态分解算法(ICEEMDAN)分解雷达提取的胸腔信号，得到若干个具有不同空间尺度的模态函数(IMF)，然后通过遗传算法(GA)改进的BP神经网络对IMF分量进行端点效应的抑制并优化。仿真结果显示，本发明具有良好的噪声鲁棒性，能有效分离噪声并准确提取呼吸和心跳信号，提高体征信号的重构精度和信噪比。
本发明还采用小波去噪算法在执行ICEEMDAN算法前对雷达原始胸腔信号进行处理。小波去噪算法能够自适应地选择阈值，因此可以更好地保留信号的细节信息，同时能够准确地估计噪声的方差，因此去噪效果比较好。将去噪处理后的雷达生命信号继续进行ICEEMDAN分解以及后续优化比直接进行分离效果更好，可以在保留信号原始特性的同时降低信号本身的噪声含量，有利于提高后续分解后信号的精度和信噪比。
附图说明
图1为本发明的基于改进BP神经网络的人体呼吸心跳检测方法的流程图；
图2为本发明的基于改进BP神经网络的人体呼吸心跳检测方法的详细框图；
图3为本发明的GA-BP网络的训练框图；
图4为本发明实施例的雷达目标检测结果；
图5为本发明实施例的心跳参考信号；
图6为本发明实施例的CEEMDAN分解结果；
图7为本发明实施例的ICEEMDAN分解结果；
图8为本发明实施例的CEEMDAN分解后提取的信号频谱；
图9为本发明实施例的ICEEMDAN分解后提取的信号频谱；
图10为本发明实施例的原始雷达生命信号；
图11为本发明实施例的小波去噪处理后的结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
人的呼吸和心跳会引起胸腔的规律运动。雷达通过天线发射电磁波信号传输到待测者，并接收待测者胸腔表面反射的回波信号，一般回波信号中除了有用的生命体征信息外，还含有背景、冗余杂波等。为了提取高精度的呼吸信号和心跳信号，本发明提供了一种基于改进BP神经网络的人体呼吸心跳检测方法，如图1、图2所示，包括以下步骤：
S1.FMCW雷达通过天线发射电磁波信号并接收被测人体胸腔表面反射的回波信号，电磁波信号与回波信号通过正交型I/Q信道执行混频；
具体地，本实施例将FMCW雷达通过天线发射的电磁波信号(也可称作chirp信号)表示为：
Figure BDA0004100082040000061
其中，AT是发射功率，θ(t)是发射机的相位噪声，B是chirp信号的带宽，Tc是chirp信号的持续时间，fc是chirp信号的起始频率。此外还有一些与chirp信号相关的参数定义如下：Ti为chirp信号的帧周期，Tf为chirp信号的周期。
假定x(t)是胸腔的微动位移，d0是FMCW雷达与身体之间的距离。故本实施例中，胸腔和FMCW雷达之间的距离表达式为：
R(t)＝x(t)+d0 (2)
胸腔和FMCW雷达之间的延时表达式为：
td＝2R(t)/c (3)
其中，c为光的速度。
由此，可以用下列公式表示FMCW雷达所接收的被测人体胸腔表面反射的回波信号：
Figure BDA0004100082040000071
其中，AR表示回波信号的振幅。
S2.通过低通滤波器获取混频结果中的中频信号并进行AD采样得到雷达原始数据，对雷达原始数据进行距离傅里叶变换得到距离幅度谱；
具体地，通过低通滤波器获取混频结果中的中频信号SIF(t)，表达式为：
Figure BDA0004100082040000072
由于
Figure BDA0004100082040000073
在实际情况下非常小(约106阶)，因此在第二次近似中被忽略。由于距离相关效应，在第三次近似中残余噪声相位项Δθ(t)＝θ(t)-θ(t-td)也可以忽略。其中，
Figure BDA0004100082040000074
为毫米波的波长，fb为中频信号频率，/>
Figure BDA0004100082040000075
为中频信号相位，其表达式为：
Figure BDA0004100082040000081
Figure BDA0004100082040000082
S3.根据距离幅度谱确认被测人体位置，提取被测人体位置所对应幅度的相位并进行相位解卷绕；
S4.对相位解卷绕结果进行相位差分得到雷达原始胸腔信号，，并对雷达原始胸腔信号进行小波去噪处理；
具体地，采用小波去噪算法对雷达胸腔原始信号进行处理，其基本思想是将雷达原始胸腔信号分解为不同尺度和不同频率的小波系数，然后根据一定的阈值选择方法来进行小波系数的削减和平滑，最终得到去噪后的信号；其包括以下步骤：
S41.使用双曲正切函数对雷达原始胸腔信号进行小波分解，得到多个不同尺度和频率的小波系数；双曲正切(tanh)函数在阈值附近能保持较好的过渡，既能够有效地避免对小波系数的过度去除，也能够将需要去除的小波系数进行控制，提高小波变换的去噪性能，降低噪声功率。
S42.基于信号的局部特性，通过对小波系数的局部方差进行估计，来确定阈值大小；具体来说，计算每个小波系数的局部方差，并通过分析所有小波系数的局部方差确定去噪阈值；
S43.对每个小波系数进行判断，若该小波系数的绝对值小于去噪阈值，则将其置为0，否则保持不变；
S44.对每一个完成判断的小波系数进行快速小波变换。
具体地，对如图10所示的雷达原始胸腔信号进行小波去噪处理，得到的结果如图11所示，在去噪的同时保留了信号的细节信息。
S5.采用ICEEMDAN对小波去噪处理后的雷达原始胸腔信号进行分解得到IMF分量；
S6.通过GA-BP网络优化IMF分量得到高精度呼吸信号和高精度心跳信号。
应用FMCW雷达进行人体生命体征检测时，无可避免会存在背景及冗余杂波等噪声。ICEEMDAN作为CEEMDAN分解算法的一种改进，可克服其分解后噪声残留以及分解早期虚假模式的问题，因此将其设计应用于体征信号的检测可实现呼吸和心跳信号的提取和分离，将冗余噪声予以去除。
优选地，定义βk表示第k次添加的高斯白噪声的振幅系数，W(k)(t)表示第k次添加的高斯白噪声，M(·)表示局部平均运算，E(·)表示EMD分解，<·>表示集总平均运算。步骤S4采用ICEEMDAN对雷达原始胸腔信号进行分解得到IMF分量的过程包括：
S51.在雷达原始胸腔信号x(t)中添加经过EMD分解的高斯白噪声W(1)(t)，对第一次添加结果求取局部平均和集总平均作为第一阶段残差信号r1(t)和第一阶模态IMF1(t)，其表达式为：
x(1)(t)＝x(t)+β0E(W(1)(t)) (8)
r1(t)＝<M(x(1)(t))>＝<M(x(t)+β0E(W(1)(t)))> (9)
IMF1＝x(t)-r1(t)＝x(t)-<M(x(t)+β0E(W(1)(t)))> (10)
S52.在第一阶段残差信号r1(t)中添加经过EMD分解的高斯白噪声W(2)(t)，对第二次添加结果求取局部平均作为第二阶段残差信号r2(t)，基于第一阶段残差信号r1(t)和第二阶段残差信号r2(t)计算第二阶模态IMF2(t)；其表达式为：
r2(t)＝<M(r1(t)+β1E(W(2)(t)))> (11)
IMF2＝r1(t)-r2(t)＝r1(t)-<M(r1(t)+β1E(W(2)(t)))> (12)
S53.在第k≥2阶段残差信号中添加经过EMD分解的高斯白噪声W(k+1)(t)，对第k+1次添加结果求取局部平均作为第k+1阶段残差信号rk+1(t)，基于第k阶段残差信号rk(t)和第k+1阶段残差信号rk+1(t)计算第k+1阶模态IMFk+1；其公式表示为：
rk+1(t)＝<M(rk(t)+βkE(W(k+1)(t)))> (13)
IMFk+1＝rk(t)-rk+1(t)＝rk(t)-<M(rk(t)+βkE(W(k+1)(t)))> (14)
S54.若第k阶段残差信号单调或不能再分解，则输出多个IMF分量，否则返回步骤S53。
本实施例假设雷达原始胸腔信号x(t)可以被分解为N个IMF分量，则雷达原始胸腔信号x(t)可以表示为：
Figure BDA0004100082040000101
采用ICEEMDAN算法对雷达原始胸腔信号x(t)进行分解能够得到几个不同频率的模态函数和一个剩余成分，具有良好的信号分解效果和噪声鲁棒性。一般情况下，健康人的呼吸频率在0.2Hz到0.8Hz之间，心率范围在0.8Hz到2Hz之间，因此，可以根据频谱峰值判断出属于呼吸信号的分量和属于心跳信号的分量，其余的为噪声。
ICEEMDAN算法可以有效分离噪声并准确提取呼吸和心跳信号，但分离出的IMF分量存在端点效应，并且无法避免在重构目标信号时产生偏差。为获得性能较好的IMF分量，必须对其进行优化，以便在保持信号特性的前提下，提高重构精度。
目前应用神经网络来进行特征提取是一种广泛采用的方法。BP神经网络的基本思想是利用逆向传播来对每个训练结果的输出和期望间的偏差进行分析，对每个节点的权重和阈值进行动态调整，最终得到输出和预想结果一致的模型，最小化网络偏差的平方和。尽管该算法具有较好的非线性映射性能，但其收敛速度较慢，训练网络不稳定，且权重和阈值的更新规则为最快下降法，还会导致产生多个局部极小值使其陷入局部最小，学习周期也很长。因此，对采用ICEEMDAN算法分解的生命体征雷达信号运用BP神经网络来实现所需信号的提取还需克服上述问题，对此，本发明提出GA-BP优化策略。
GA-BP即为在BP神经网络中引入GA遗传算法，以在遗传的每一代中筛选出具有较好的环境适应能力的个体，并采用遗传返工技术进行交叉和变异处理，得到一个新的近似解集来优化BP神经网络的权值和阈值，这样不仅可以避免不成熟收敛，而且可以在全局中寻找最优解。
优选地，如图3所示，所述GA-BP网络的训练过程包括：
S61.依据影响呼吸信号、心跳信号的各项指标搭建BP神经网络：确定BP神经网络的结构，包括隐含层个数、每一层的神经元数，初始化BP神经网络中每个神经元的权值以及各层神经元间的阈值；
S62.将每个神经元的初始权值以及各层神经元间的初始阈值作为基因进行编码，编码后每个BP神经网络对应一条染色体；然后生成初始种群；
S63.输入IMF训练数据到BP神经网络，将BP神经网络的输出误差函数作为适应性函数；
具体地，BP神经网络包括输入层、隐含层和输出层，每一层都包含多个神经元，每一个神经元都有一个对应的权值，每两层的两个不同神经元之间也对应有一个阈值；步骤S63所述的输出误差函数中一共包括输出层误差E1、隐含层误差E2和输入层误差E3三种输出误差。
具体地，输出层误差E1、隐含层误差E2和输入层误差E3分别的表达式为：
Figure BDA0004100082040000111
Figure BDA0004100082040000112
Figure BDA0004100082040000113
其中，dk表示第k个输出层神经元的期望值，Ok表示第k个输出层神经元的输出值，wjk表示第j个隐含层神经元与第k个输出层神经元间的权重，yj表示第j个隐含层神经元的输入信号，vij表示第i个输入层神经元与第j个隐含层神经元间的权重，xi表示第i个输入层神经元接收的原始信号，l表示输出层的神经元个数，m表示隐含层的神经元个数，n表示输入层的神经元个数，f()表示激励函数。
S64.基于适应度选取个体进行交叉变异得到新个体并计算其对应的适应度，筛选每一代的最大适应度；
S65.若最大适应度没有显著变化或达到种群最大进化代数，则执行步骤S66，否则返回步骤S63；
S66.对最优个体进行解码得到最优初始权值和最优初始阈值，并将其分配给BP神经网络得到初代BP神经网络；
S67.将IMF训练数据输入初代BP神经网络计算输出偏差，并根据梯度下降算法更新初代BP神经网络的权值和阈值；
S68.若输出偏差达到预设精度或训练次数达到预设次数，则结束训练得到GA-BP网络，否则返回步骤S67。
在一实施例中，为了抑制频谱噪声和呼吸谐波对心跳信号的影响，实现高精度的体征信号的检测和重构，对提出的ICEEMDAN结合GA-BP神经网络的生命体征信号雷达检测方案进行仿真分析验证。采用60GHz毫米波雷达模块对室内静止目标进行胸腔数据采集，具体参数如表1所示。实验通过Python和MATLAB平台进行信号处理和仿真分析。
表1FMCW雷达参数
Figure BDA0004100082040000121
对雷达原始数据，以chirp为单位，做FFT变换可以得到距离信息。如图4所示对雷达发射的多帧chirp信号所对应的反射信号进行FFT得到的距离幅度谱。根据图4中检测结果显示被测目标距离雷达的距离约为60cm。
优选地，分别从分量个数，正交性、参数个数和运行时间四个评价指标对EMD、EEMD、CEEMD、CEEMDAN和ICEEMDAN五种算法进行仿真与分析，如表2所示。
表2不同分解算法性能对比
Figure BDA0004100082040000131
对比表2数据可知，EMD的人为因素最少，自适应性较好，但正交性较差；而CEEMDAN和ICEEMDAN虽然运行时间较长，但正交性能良好，可以有效抑制模态混叠。所以接下来对这两种算法进行进一步的仿真实验，选择分离效果和检测准确度最好的模态分解算法进行后续实验。
优选地，如图5所示采用接触式指尖传感器采集的心跳信号及其频谱作为本次实验的参考信号，与CEEMDAN算法和ICEEMDAN算法分解得到的心跳信号频谱进行对比，从分离效果和检测准确度两方面选出性能最优的算法。图6所示为执行CEEMDAN分解将雷达原始信号分解为11个IMF分量，在信号分解的初期，由于存在着“虚假”模式，使得前一阶模态含有大量的噪声和类似的尺度，而分解后的IMF仍然含有残留噪声。图7显示的ICEEMDAN分解得到9个IMF分量，分解效率较高，且频率更单一，杂波较少，能量较为集中。分别对分解得到的IMF分量进行FFT变换可以得到与之对应的频谱，根据频谱峰值判断属于呼吸和心跳的IMF分量，其余的为噪声干扰分量。
两种算法分离的呼吸和心跳信号频谱分别如图8、9所示，CEEMDAN分解方法得到的心跳频率是1.317Hz，呼吸频率是0.5869Hz；ICEEMDAN分解方法得到的心跳频率为1.231Hz，呼吸频率是0.5869Hz。与图5(b)的参考心跳频率1.241Hz进行对比可以看出，由CEEMDAN分解结果中提取到的心跳信号误差较大，而ICEEMDAN分解结果中提取到的心跳信号较为准确，相比于接触式传感器采集的结果误差仅为1％。因此，无论是分解效果还是检测准确度，ICEEMDAN算法都具有明显的优势。
优选地，ICEEMDAN算法能实现呼吸、心跳和噪声信号的分离，但分离出的IMF分量存在端点效应等问题，且在进行目标信号重组的时候不能避免误差的出现。为了能够得到性能更好的IMF分量，提出GA-BP策略优化IMF性能，实验参数设置如下：
表3GA-BP网络的参数设置
Figure BDA0004100082040000141
针对FMCW雷达检测生命体征信号存在频谱噪声和谐波干扰，体征信号重构精度较低的问题，提出ICEEMDAN结合GA-BP神经网络的生命体征信号雷达检测方案。实验仿真结果显示，本方案能有效分离噪声，并准确的检测到人体的呼吸和心跳信号，与接触式仪器对比结果显示心跳检测误差仅为1％。经过GA-BP优化后的重构信号具有良好的信噪比，且提高了信号重构的精度，其中，呼吸和心跳信号的信噪比平均提高1.24dB、2.05dB。
在本发明中，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”、“固定”、“旋转”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种基于改进BP神经网络的人体呼吸心跳检测方法，其特征在于，包括以下步骤：
S1.FMCW雷达通过天线发射电磁波信号并接收被测人体胸腔表面反射的回波信号，电磁波信号与回波信号通过正交型I/Q信道执行混频；
S2.通过低通滤波器获取混频结果中的中频信号并进行AD采样得到雷达原始数据，对雷达原始数据进行距离傅里叶变换得到距离幅度谱；
S3.根据距离幅度谱确认被测人体位置，提取被测人体位置所对应幅度的相位并进行相位解卷绕；
S4.将相位解卷绕结果进行相位差分得到雷达原始胸腔信号，并对雷达原始胸腔信号进行小波去噪处理；
S5.采用ICEEMDAN算法对小波去噪处理后的雷达原始胸腔信号进行分解得到IMF分量；
S6.通过GA-BP网络优化IMF分量得到高精度呼吸信号和高精度心跳信号。
2.根据权利要求1所述的一种基于改进BP神经网络的人体呼吸心跳检测方法，其特征在于，步骤S4对雷达原始胸腔信号进行小波去噪处理的过程包括：
S41.使用双曲正切函数对雷达原始胸腔信号进行小波分解，得到多个不同尺度和频率的小波系数；
S42.计算每个小波系数的局部方差，并通过分析所有小波系数的局部方差确定去噪阈值；
S43.对每个小波系数进行判断，若该小波系数的绝对值小于去噪阈值，则将其置为0，否则保持不变；
S44.对每一个完成判断的小波系数进行快速小波变换。
3.根据权利要求1所述的一种基于改进BP神经网络的人体呼吸心跳检测方法，其特征在于，步骤S5采用ICEEMDAN算法对小波去噪处理后的雷达原始胸腔信号进行分解得到IMF分量的过程包括：
S51.在小波去噪处理后的胸腔信号中添加经过EMD分解的高斯白噪声，对第一次添加结果求取局部平均和集总平均分别作为第一阶段残差信号和第一阶模态；
S52.在第一阶段残差信号中添加经过EMD分解的高斯白噪声，对第二次添加结果求取局部平均作为第二阶段残差信号，基于第一阶段残差信号和第二阶段残差信号计算第二阶模态；
S53.在第k≥2阶段残差信号中添加经过EMD分解的高斯白噪声，对第k+1次添加结果求取局部平均作为第k+1阶段残差信号，基于第k阶段残差信号和第k+1阶段残差信号计算第k+1阶模态；
S54.若第k阶段残差信号单调或不能再分解，则输出多个IMF分量，否则返回步骤S53。
4.根据权利要求3所述的一种基于改进BP神经网络的人体呼吸心跳检测方法，其特征在于，对第k+1次添加结果求取局部平均的公式为：
rk+1(t)＝<M(rk(t)+βkE(W(i)(t)))>
基于第k阶段残差信号和第k+1阶段残差信号计算第k+1阶模态的公式为：
IMFk+1＝rk(t)-rk+1(t)
其中，rk+1(t)表示第k+1阶段残差信号，βk表示第k次添加的高斯白噪声的振幅系数，W(i)(t)表示高斯白噪声，M(·)表示局部平均运算，E(·)表示EMD分解，<·>表示集总平均运算，IMFk+1表示第k+1阶模态。
5.根据权利要求1所述的一种基于改进BP神经网络的人体呼吸心跳检测方法，其特征在于，针对呼吸信号和心跳信号构建并训练对应的GA-BP网络，针对呼吸信号和心跳信号分别构建并训练对应的GA-BP网络；在步骤S6中根据频谱信息对IMF分量进行分类得到呼吸IMF分量和心跳IMF分量，将呼吸IMF分量和心跳IMF分量传入对应的GA-BP网络进行处理；所述GA-BP网络均是在BP神经网络的基础上引入GA算法优化后构建的。
6.根据权利要求1所述的一种基于改进BP神经网络的人体呼吸心跳检测方法，其特征在于，所述GA-BP网络的训练过程包括：
S61.搭建BP神经网络，初始化BP神经网络的所有权值和阈值；
S62.对BP神经网络初始化后的所有权值和阈值进编码，并生成初始种群；
S63.输入IMF训练数据到BP神经网络，将BP神经网络的输出误差函数作为适应性函数，通过适应性函数计算个体的适应度；
S64.基于适应度选取个体进行交叉变异得到新个体并计算其对应的适应度，筛选每一代的最大适应度；
S65.若最大适应度没有显著变化或达到种群最大进化代数，则执行步骤S66，否则返回步骤S63；
S66.对最优个体进行解码得到最优初始权值和最优初始阈值，并将其分配给BP神经网络得到初代BP神经网络；
S57.将IMF训练数据输入初代BP神经网络计算输出偏差，并根据梯度下降算法更新初代BP神经网络的权值和阈值；
S58.若输出偏差达到预设精度或训练次数达到预设次数，则结束训练得到GA-BP网络，否则返回步骤S67。
7.根据权利要求1所述的一种基于改进BP神经网络的人体呼吸心跳检测方法，其特征在于，步骤S63的输出误差函数中包括输出层误差E1、隐含层误差E2和输入层误差E3三种输出误差，其各自的表达式为：
Figure FDA0004100082030000031
Figure FDA0004100082030000032
Figure FDA0004100082030000033
其中，dk表示第k个输出层神经元的期望值，Ok表示第k个输出层神经元的输出值，wjk表示第j个隐含层神经元与第k个输出层神经元间的权重，yj表示第j个隐含层神经元的输入信号，vij表示第i个输入层神经元与第j个隐含层神经元间的权重，xi表示第i个输入层神经元接收的原始信号，l表示输出层的神经元个数，m表示隐含层的神经元个数，n表示输入层的神经元个数，f()表示激励函数。
CN202310173646.9A 2023-02-27 2023-02-27 一种基于改进bp神经网络的人体呼吸心跳检测方法 Pending CN116269259A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310173646.9A CN116269259A (zh) 2023-02-27 2023-02-27 一种基于改进bp神经网络的人体呼吸心跳检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310173646.9A CN116269259A (zh) 2023-02-27 2023-02-27 一种基于改进bp神经网络的人体呼吸心跳检测方法

Publications (1)

Publication Number Publication Date
CN116269259A true CN116269259A (zh) 2023-06-23

Family

ID=86819819

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310173646.9A Pending CN116269259A (zh) 2023-02-27 2023-02-27 一种基于改进bp神经网络的人体呼吸心跳检测方法

Country Status (1)

Country Link
CN (1) CN116269259A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116609755A (zh) * 2023-07-19 2023-08-18 湖南师范大学 一种基于超宽带雷达的生命体征检测方法及系统
CN117473872A (zh) * 2023-11-10 2024-01-30 广东石油化工学院 一种基于fft编码和l-cnn滚动轴承故障诊断方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116609755A (zh) * 2023-07-19 2023-08-18 湖南师范大学 一种基于超宽带雷达的生命体征检测方法及系统
CN116609755B (zh) * 2023-07-19 2023-10-20 湖南师范大学 一种基于超宽带雷达的生命体征检测方法及系统
CN117473872A (zh) * 2023-11-10 2024-01-30 广东石油化工学院 一种基于fft编码和l-cnn滚动轴承故障诊断方法

Similar Documents

Publication Publication Date Title
CN116269259A (zh) 一种基于改进bp神经网络的人体呼吸心跳检测方法
CN108520199B (zh) 基于雷达图像与生成对抗模型的人体动作开集识别方法
CN109683161B (zh) 一种基于深度admm网络的逆合成孔径雷达成像的方法
Yang et al. The overview of human localization and vital sign signal measurement using handheld IR-UWB through-wall radar
CN112998668B (zh) 基于毫米波的非接触式远场多人体呼吸心率监测方法
CN113164093A (zh) 用于医学成像的装置和方法
Wu et al. A non-contact vital signs detection in a multi-channel 77GHz LFMCW radar system
US20220137208A1 (en) Radar-based Cross-sectional Image Reconstruction of Subject
CN110647788A (zh) 一种基于微多普勒特征的人类日常行为分类方法
Ling et al. Non-contact heart rate monitoring based on millimeter wave radar
CN115363547B (zh) 一种基于超宽带雷达相参积累的人体生命体征检测方法
CN108492312A (zh) 光照变化下基于逆向稀疏表示的视觉跟踪方法
Janakaraj et al. STAR: Simultaneous tracking and recognition through millimeter waves and deep learning
CN116338684A (zh) 基于毫米波雷达与深度学习的人体跌倒检测方法及系统
Pegoraro et al. Deep learning for accurate indoor human tracking with a mm-wave radar
CN113126050B (zh) 一种基于神经网络的生命探测方法
Bugaev et al. Mathematical simulation of remote detection of human breathing and heartbeat by multifrequency radar on the background of local objects reflections
CN110111360B (zh) 一种基于自组织映射网络的穿墙雷达人体动作表征方法
Zhu et al. A dataset of human motion status using ir-uwb through-wall radar
El-Samad et al. Heartbeat rate measurement using microwave systems: single-antenna, two-antennas, and modeling a moving person
CN112801065A (zh) 一种基于时空多特征信息的被动声纳目标探测方法及装置
Le et al. Multivariate Signal Decomposition for Vital Signal Extraction using UWB Impulse Radar
CN114052694B (zh) 基于雷达的心率分析方法及设备
CN113545764B (zh) 一种fmcw雷达人员身份验证数据处理方法及系统
CN113050060B (zh) 基于稀疏重构与神经网络的生命探测方法及探测装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination